BIT — Business Innovation Technology BIT — Business Innovation Technology BIT
  • Inicio
  • Estadística
  • Machine Learning
  • Deep Learning
  • Big Data
  • MLOps
  • IoT y AIoT

On this page

  • Áreas de conocimiento
  • Últimas publicaciones

Blog

BIT · Business Innovation Technology

Tecnología aplicada. Datos. Inteligencia.

Publicamos notebooks técnicos de Estadística, Machine Learning, Deep Learning, Big Data, MLOps e IoT bajo la marca BIT (Business Innovation Technology), a cargo de Wilder Ramírez Delgado.

Ver publicaciones GitHub

Áreas de conocimiento

 
Big Data e Ingeniería de Datos
MapReduce, Hadoop (HDFS, YARN), Apache Spark, procesamiento distribuido y arquitecturas de datos en la nube.

Deep Learning
Redes neuronales, arquitecturas modernas, entrenamiento y ajuste de modelos de aprendizaje profundo, con ejemplos prácticos y código reproducible.
 
Estadística y Fundamentos
Regresión, regularización, evaluación de modelos, remuestreo (bootstrap), suavización, modelos lineales generalizados (GLM), variables latentes y datos dependientes —…
 
IoT y AIoT
Proyectos de Internet de las Cosas (IoT) e Inteligencia Artificial embebida en hardware (AIoT) usando ESP32: sensores, conectividad y modelos de ML corriendo directamente en…
 
MLOps y Producción
Automatización de pipelines de IA, despliegue de modelos, monitoreo, versionado y buenas prácticas para llevar modelos de Machine Learning a producción.

Machine Learning
Algoritmos de aprendizaje supervisado y no supervisado, ingeniería de características, validación y evaluación de modelos, y estadística aplicada a la inteligencia artificial.
No matching items

Últimas publicaciones

Perceptrón y MLP: de la neurona simple a las redes multicapa

Implementación del perceptrón desde cero, compuertas lógicas y el problema XOR, resuelto con un Perceptrón Multicapa (MLP) aplicado a Iris, dígitos escritos a mano y…

Wilder Ramírez Delgado
Aug 31, 2026

Evaluación de modelos: predicción, clasificación y desempeño

Métricas para evaluar modelos supervisados fuera de la muestra: MAE, MAPE y RMSE en regresión; matriz de confusión, F1 y AUC-ROC en clasificación.

Wilder Ramírez Delgado
Aug 30, 2026

Fundamentos matemáticos del Deep Learning y entrenamiento de un MLP

Vectores, matrices, funciones de activación, funciones de pérdida y descenso de gradiente: la base matemática para entrenar un MLP desde cero con NumPy.

Wilder Ramírez Delgado
Aug 29, 2026

Análisis Avanzado de Datos — 1. Regresión lineal

Regresión lineal simple y múltiple: la fórmula cerrada, la forma matricial, interpretación de coeficientes y residuales, con ejercicios guiados en scikit-learn.

Wilder Ramírez Delgado
Aug 28, 2026

Análisis Avanzado de Datos — 1. Regresión Lineal Múltiple

Guía completa de análisis multivariado: supuestos de la regresión múltiple, multicolinealidad y VIF, cuándo regularizar y cómo diagnosticar los residuos paso a paso.

Wilder Ramírez Delgado
Aug 27, 2026

Análisis Avanzado de Datos — 1. Regresión y regularización (Ridge y Lasso)

Por qué la regresión lineal se queda corta ante el sobreajuste, y cómo Ridge (L2) y Lasso (L1) equilibran sesgo y varianza, con comparación visual entre los tres enfoques.

Wilder Ramírez Delgado
Aug 26, 2026

Ejemplo: flujo completo de un notebook publicado en el blog
Este notebook es una muestra compacta y realista para evaluar la conversión .ipynb → HTML y su publicación en distintos canales.
Wilder Ramírez Delgado
Aug 23, 2026
No matching items

© 2026 BIT — Business Innovation Technology · Calle 147 No. 93-09, apto 503, Bogotá, Colombia
Autor: Wilder Ramírez Delgado · info@biitt.com